先日、「 AIの『定額使い放題』が終わり始めた 」という記事で、トークンの使用量と仕事の成果は比例しない、と書きました。あの記事の終わりで、エージェントに任せた処理の多くが「やり直しと検証」に消えているという推計――AIコーディングで実際に製品コードとして出荷されたのは、トークン費用のわずか18%だった――に触れました。 今回の記事では、その「検証」を正面から取り上げます。ここでいう「検証」とは、AIの出した答えを、自分の目的に合っているか判断し、必要に応じて修正して使うことまで含む作業のことです。前回が「何にAIを使うか＝仕事の切り分け」の話だったとすれば、今回はその次、「AIに上手に仕事をさせられる人はそこにいるのか」の話です。 AI導入のコスト（使用トークンに応じた支払）と、業務の成果が直接には結びつかないという認識は、米国の巨大企業でも広がりつつあります。メタの技術担当役員は社内メモで、「トークンの使用量はいかなる成果の指標にもならない」と社員を戒めたと報じられました。 彼らはAIへの支払いコストの急騰という痛い失敗を目の当たりにして、ようやくこの“当たり前”にたどり着いたわけですが、後発の私たちが学ぶべきは、その結論からさらに一段深いところです。 結論から言えば、AIの本当のコストは、生成ではなく検証の側にある。だから 投資すべきは、トークンよりも先に、検証できる人だ と、私は考えています。 AIは人間を不要にするのではなく、仕事の重心を変える 多くの人が、生成AIは「人を不要にする」道具だと考えています。けれど実際に起きているのは、その逆です。 AIを導入した職場では、情報を集め・加工するコストが速く・安くなったぶん、業務の重心が「生み出すこと」から「確かめること」へと移りました。情報収集・情報処理の一次コストは下がっても、その検証のコストは下がらない。むしろ、AIを使えば使うほど、確かめる手間の重みはより前面へと出てきます。 経産省の検討会に提出されたボストンコンサルティンググループの試算＊でも、同じ方向が示されています。ホワイトカラーの仕事では、資料や文章を「作成する」作業は大きく減り、その分、解くべき問いの立て方や、出力の品質確認・レビューに時間を割くようになる。人の仕事は消えるのではなく、その重心が「作る」から「見極める」へ移るのです。 ...

 「AI」と聞いた時、まず何を思い浮かべるでしょうか。 2026年の現在、ChatGPTのような対話型のサービスを思い浮かべる方が多いはずです。チャット画面に質問を打ち込めば、文章でも要約でも翻訳でも返してくれる、いわゆる「生成AI」ですね。 でも実際には、クルマの自動ブレーキ（画像認識処理）にも、スマートフォンの顔認証にも、AIが組み込まれています。私たちは、対話型のAIに毎日触れるより前から、こうした「別の種類のAI」に囲まれて暮らしてきました。 考えてみると、この数年で生成AI自体の呼び方そのものもずいぶん変わりました。 2022年末に登場したころは「生成系AI」と呼ばれていたものが、いまでは単に「AI」と呼ばれることも珍しくありません。 これは生成AIが社会に普及した証です。けれど同時に、それ以前からわたしたちの社会で実用化されていたAIが、言葉の上では見えなくなっていくということでもあります。 興味深いのは、独立行政法人情報処理推進機構（IPA）が、この流れには安易に乗っていないことです。 IPAは2024年の調査（ AI利用時のセキュリティ脅威・リスク調査報告書 ）の時点でも、今年6月に公表された最新の調査でも、AIを「生成AI」と「判定（分類）AI」の二つに分けて扱い続けています。つまり、生成AIブーム以前からある「従来のAI」を、視界から外していない。 数字が映す、生成AI一色ではない現実 IPAによる最新の「 AIの動作・分析・利用等の説明に関する意識調査 」は、企業で実際にAIを業務利用している2000人を対象にしたものです。 この調査で、判定（分類）AIを「利用している」と答えた人は、業種を問わず、全体の63%にのぼります。生成AIの95%には及ばないものの、決して脇役の数字ではありません。 たとえば製造の現場では、異常検知や故障予測、品質判定といった形で、判定AIが当たり前のように動いています。生成AIだけがAIではないということです。 報道やSNSの熱量は、ほぼすべて生成AIに向かっているように見えます。あらゆる業種で生成AIの活用方法の試行錯誤が続く一方で、製造現場ではずいぶん前から判定AIが定着し、淡々と使われ続けている。この落差そのものが、まず押さえておきたい事実です。 判定AIとは何か ── その素朴さと説明...

2026年6月9日、アンソロピック（Anthropic）社が新しい最上位モデル「クロード・フェイブル5（Claude Fable 5）」を公開しました。セキュリティ攻撃の悪用懸念から一般公開されていない「クロード・ミュトス（Mythos）」と同等の高い性能を持つとの触れ込みです。 今回注目したいのは性能よりも、その提供のされ方です。有料プラン契約者は 6月22日までは追加料金なし で利用できますが、23日以降は「使用クレジット」——つまり使った分だけ支払う従量制——が必要になる見込みだと、同社は発表しています。 月額定額が当たり前だったAIサービスに、最上位モデルに限ってとはいえ、 使った分だけ払う仕組み が本格的に持ち込まれ始めたわけです。 これは一見、料金プランの細かい話に見えます。でも実は、組織のAI活用のあり方そのものに関わる変化だと考えています。 「使い放題」は、実は最初からなかった とはいえ、AIをある程度使い込んできた方なら、思い当たる経験があるはずです。 集中して作業していたら、突然「利用上限に達しました。あと3時間ほどお待ちください」と止められる——無料プランでも有料プランでも、ヘビーに使えば必ずぶつかる、あの壁です。 つまり定額制といっても、実際には 使い放題ではありませんでした 。料金の代わりに「待ち時間」で利用量が調整されていただけで、見えない従量制は、ずっとそこにあったのです。 なぜそんな調整が必要なのか。高性能なモデルほど、一つの答えを出すために多くの計算をします。計算が多ければ、それだけ多くの電力と設備を使う。AIの利用には、 実際の資源消費 が伴っているのです。従来型のソフトウェア使い放題とは事業のコスト構造が大きく違う。 これまでは、その資源の制約は、事業者側が「待ち時間」という形で吸収してくれていました。あるいは競争の観点で、事業者が呑み込んでいた部分もあったはずです。でも、最上位クラスのモデルになると、その計算量の増加コストはもう吸収しきれない。 つまり今回の従量制化は、これまで待ち時間として隠れていたコストが、 追加料金という見える形に「ついに変わった 」 、ということだと受け止めることができそうです。 （運営会社はなんとか定額制を維持したいとは表明していますが）。 だとすれば今後、「どの仕事にどのモデルを使うか」というコスト...

  「社員を対象としたAI研修を検討しているのですが」というご相談をいただくとき、最初にお聞きすることがあります。 その研修で、何を実現したいですか？ この問いに対する答えによって、依頼すべき相手も、研修の形も、まったく変わってきます。 --- AI研修には、二種類ある AI研修と一口に言っても、目的によって大きく二つに分かれます。 一つは 「均質化型」 。全員が最低限のことを理解し、情報漏えいやセキュリティ事故を起こさないようにする。AIに関するルールや注意事項を周知する。これは情報セキュリティ研修の延長線上にある取り組みです。 もう一つは 「エンパワメント型」 。一人ひとりのスタッフが、自分の仕事にAIを取り入れながら、これまでよりも自分らしく力を発揮できるようにする。これは人材開発の話です。 どちらが正しいということではありません。ただ、 目的が違えば、必要な研修はまったく異なります。 それなのに、この二つを混同したまま研修を発注しようとしているケースが少なくありません。 ---  「均質化」が目的なら、eラーニングで十分かもしれない 情報セキュリティの底上げ、AIに関する社内ルールの周知、基本的なリスクの理解——これらが目的であれば、集合研修である必要はないかもしれません。 eラーニングには明確な利点があります。全員が同じ内容を、自分のペースで、記録を残しながら受講できる。コストも抑えられる。「全員が受講済みである」という事実を管理しやすい。 均質化が目的であれば、eラーニングは合理的な選択肢です。 ただし、eラーニングで実現できることには限界があります。 知識は入っても、行動は変わりにくいのです。 確認テストで「生成AIを業務で使う際は機微な情報を入力しない」と正答を選べることと、日常業務の中でその判断を適切に実践することは、別の話です。eラーニングは前者には向いていますが、後者を育てる力は弱い。 また、自分たちの業務への翻訳が起きにくい。一般論として「こういうリスクがある」と理解しても、「では自分のこの仕事ではどうすればいいか」という問いに答えてくれる仕組みが、eラーニングにはありません。疑問は疑問のまま残ります。 セキュリティの底上げはeラーニングで、その先の人材開発は別の手段で——という使い分けが、現実的な判断です。 --- 「エン...

 「AIを導入する時は、プロンプトや設定の標準化・最適化を意識して進めるべきだ」 そう考えている経営者や管理職の方は、少なくないと思います。 でも少し立ち止まって考えてみてください。そもそも今、あなたの職場に「標準的なスタッフ」はいますか？ 中小企業に「標準的なスタッフ」はいない 大企業のように、同じような知識と経験を備え、同じ研修を受けた大勢のスタッフが、同じマニュアルで同じ業務をこなす——そういう職場なら、「みんなが同じように使えるようになる」は意味のある目標かもしれません。 でも中小企業の現場は、たいていそうではありません。 Aさんは取引先との関係構築が抜群にうまい。Bさんは細かい数字の管理と拾い上げが得意。Cさんは業界の慣習を熟知していて、若いスタッフでは対応できない局面を何度もさばいてきた。一人ひとりの知識や経験、得意分野の凸凹が、とても大きい。 もちろんこれは組織としての弱みではあります。 誰かが抜けたときのリスクは高いし、業務の引き継ぎも一筋縄ではいかない。 でも同時に、これは強みでもあります。 一人ひとりが代替可能な「標準的なスタッフ」で構成された組織は、規模が大きい方が圧倒的に有利です。人数が多いほど、処理できる量が増え、コストも下がる。中小企業がその土俵で大企業と戦っても、勝ち目は薄い。 中小企業が戦えるのは、どこかに「突飛さ」とか「規格外」の部分があるからです。 Aさんだから取れた仕事、Bさんがいるから防げたミス、Cさんの経験に裏付けられた直感から生まれたアイデア——そういった「その人にしかできないこと」の積み重ね・組み合わせこそが、組織の個性になっているはず。 --- AI導入の目的は「標準化」ではなく「エンパワメント」 ではそんな中小企業にとって、AI導入の目的は何であるべきか。 「みんながある程度同じように使えるようになること」ではないはずです。 一人ひとりのスタッフが、今よりもっと自分らしく力を発揮できるようにすること。 それがAI導入の本来の目的ではないでしょうか。 AIはあくまでも道具であり、使う人の部下です。Aさんの強みをさらに伸ばすために使うAIと、Bさんの弱点を補うために使うAIは、同じツールでも使い方がまったく違って当然です。 「全員に同じ研修を受けさせて、同じプロンプトを配って、同じように使えるようにする」（極端な...

 SNSの広告や、セミナーの告知でよく見かけます。 「すぐ使える厳選プロンプトを特別公開！」「業務効率が劇的に上がるプロンプト集」——。 気持ちはわかります。何から始めればいいかわからない、うまく使いこなせていない、そんな状況で「すぐ使える」という言葉は魅力的に映ります。 でも少し立ち止まって考えてみてください。 そのプロンプト、本当に「自分たちの仕事」に使えるでしょうか？ なぜ定着しないのか①：よそと同じ業務は一つもない 外から持ってきたプロンプトが定着しない理由の一つは、シンプルです。 それは、 あなたの組織の業務のために書かれていないから。 「議事録を要約して」「メールの返信文を作って」——汎用的な使い方なら、どこのプロンプトでもそれなりに機能します。でも実際の業務は、もっと文脈が濃い。 そしてこちらが与えた文脈次第で、全く異なる答えが生成されるのがいまのAIの仕組みです。 取引先との関係性、組織として求められる言葉の遣い方、「原則はそうだけど、こういう場面ではこう判断する」という暗黙のルール。こういった背景を反映させずに書かれたプロンプトをそのまま使っても、当然のようにズレが生じます。 「使ってみたけどなんか違う」「結局自分で直す方が早い」——それは、AIのせいではなく、プロンプトの作られ方のせいかもしれません。 なぜ定着しないのか②：業務フローに手を入れていない もう一層、深いところにも問題があります。 プロンプトは、「何をAIに頼むか」が明確になっていないと書けません。そしてその明確さは、業務の流れを自分たちがきちんと把握していることを前提にしています。 ところが多くの現場では、業務フロー自体が「今までそうしてきた」という慣習で動いています。誰かが長年やってきたやり方、担当者が変わると途端に回らなくなる工程、明文化されたことのないチェックの基準——。 こういった状況でAIを導入しようとすると、プロンプトを書く以前の問題にぶつかります。 「AIに何をどう頼めばいいか」がわからない 、という問題です。 業務フローを所与の絶対条件として動かさないまま、プロンプトだけを外から調達しようとしても、うまくいかないのは当然です。AIの導入は、業務そのものを問い直す良い機会でもあります。しかしそれは、外部から誰かに整理してもらえる話ではありません。 外部コンサル...

 「AIをもっと活用しなければ」というプレッシャーを、感じていませんか。 セミナーに行けば「エージェントで業務を自動化する時代」という話が飛び交い、SNSを開けば「対話型AIだけでは生産性は上がらない」とか「そもそもChatGPTじゃないよ、Claudeの時代だよ」という投稿まで目に入る。なんとなく、自分たちは乗り遅れているような気がしてくる。 でも少し待ってください。 その「乗り遅れ感」は、本当に正しい現状認識から来ていますか？ 「自動化できない」という現実から目を逸らしていないか AIエージェントによる業務自動化は、確かに魅力的な話です。繰り返し作業をAIが代わりにこなし、人は判断に集中できる——理屈はわかります。 ただ、その自動化を実現するにはまず前提条件があります。 何を、どの順序で、どんな条件で処理するべきか が、言葉で定義できていること。 これが、多くの中小企業の現場では、思いのほか難しい。 特定のスタッフが長年の経験から「なんとなくうまくやっている」業務、担当者が変わると途端に回らなくなる工程、「Aさんがいるから大丈夫」という属人的な支えの上に成り立っている仕事——こういった暗黙知の塊を、外部のシステムに渡せる形で定義することは、AIの登場とは無関係に、もともと難しい作業です。 つまり多くの場合、問題は「どのAIを使うか」よりかなり前の段階にある。 自動化を検討・実現する以前に、 自分たちが何をしているかを言葉にできていない という問題です。 そして「エージェントで自動化」の煽りに乗って動き始めた企業組織が最初に当たる壁は、技術的なハードルではなく、この「定義できない」という壁であることが少なくありません。 対話型利用は「準備運動」ではなく「足場かけ」だ では、どうすればいいか。 ここで対話型AI利用の役割が見えてきます。ChatGPTやGeminiに話しかけながら業務をこなす、あの地味な使い方です。「生産性が大して上がらない」と揶揄されることもあるこの段階に、実は重要な機能があります。 暗黙知を、言葉にする過程 AIに「この案件、どう整理すればいいか」と問いかけるとき、人は自分の頭の中にある判断基準を何とかして外に出そうと（言語化しようと）します。 「こんな感じで」「見たらわかるでしょ」はまだ通じない相手だから、背景を説明し、条件を整理し、何...